二次聚类图像分割算法-论文.pdf

《二次聚类图像分割算法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、山西电子技术应用实践2014年第3期文章编号：1674．4578(2014)03—0050—02二次聚类图像分割算法李申燕(广州飒特红外股份有限公司，广东广州510730)摘要：图像分割技术在各个领域中应用广泛，简单描述了模糊c均值聚类算法，在此基础上利用图像(1，仅，B)颜色空间分离，将亮度空间进行二次聚类，根据像素点到第二次聚类中心的隶属度所得整幅图像的聚类域．能有效的将灰度图像或彩色图像中相似区域聚集分类，为图像预处理提供很大帮助。通过实验验证了算法的有效性。关键词：图像分割；二次聚类；颜

2、色空间；相似区域中图分类号：TP391．41；TP301．6文献标识码：A图像分割一般是基于图像亮度的两个基本特性之一：一次聚类中心，根据像素点到第二次聚类中心的隶属度函数所是不连续性，如图像的边缘，二是相似性，如门限处理、区域得整幅图像的聚类域。生长、区域分离和聚类⋯。目前最常见的聚类分割算法是模设待处理的图像，大小为HS，即进行颜色聚类分析糊c均值聚类(FCM)分割算法，该算法具有良好的局部收的元素个数为Ⅳ，N=HS，则，可表示成集合，={，2，敛特性，另一方面，它适合在高维特征空间中进行像

3、素的分⋯，}以图像，的每一行为一个子集将图像分为个子集，类。虽然该方法具有良好的分割效果，但是性能依靠初始化记为，m，m：1，2，⋯，日。，m={】，，⋯，}，，为m子集聚类中心，须事先确定聚类数日，每次迭代优化都要计算聚类中心和隶属度矩阵，计算量大。因此，提高图像分割的速的像素点。先定义u()={：，则数据点，的密度度是图像处理中重要的价值。为：本文在FCM的基础上提出了二次聚类图像分割算法。根据图像的(1，，口)颜色空间，将图像进行二次聚类划分为D()=∑u(r—dU)．(3)若干具有不同颜

4、色特征或亮度的聚类域。从而实现图像的d数据点到数据点的欧氏距离。这里r取适当全局分割。值。如果数据点，EP具有最大的分布密度，那么子集，m1本文算法的第一个聚类中心为：1．1lafl颜色空间∑x7‘()1口颜色空间是Ruderman等人基于人类视觉对图像数EC．m——．．．．．．!：!．．．．．．．．．．一一(4)据的感知研究提出的J，其中，1表示非彩色亮度通道；表∑示彩色的黄一蓝通道；口表示红一绿通道。本文算法首先把∈C图像转换到(2，，)颜色空间，其转换过程如下：cS为邻域内的数据点集。找出

5、第一个聚类中心后，1)RGB到z颜色空间的变换：先转换到LMS空间，再接着在集合{，m—cs}中查找具有最大密度的数据值作为第转换到￡JB空间。二个聚类中心记为c，数据点集记为c。重复同样的过『I-]I=l『。‘0¨。。7。‘2R]程直至一∑c2=0，k为获得的中心个数。令m：1，2，l0．19670．72440．0782IGI．(1)⋯s．Jlo．0241o．12880．8444lIBJ，日，重复上述过程可获得第一次聚类中心集(l，，⋯，)和对应的分布密度。对这个数据集进行第一次聚类，密度函数

6、改为：ncD∑(r—do)·D()．(5)』=I其中、D()分别为第一次聚类获得的中心个数和中心密度。与第一次聚类相同直到数据集(。，2，⋯，)为1．2二次聚类算法空集。根据式(2)计算聚类中心c，cc2，⋯，c。为第二首先图像分成若干个子集，对各个子集进行第一次聚次获得的聚类域个数。计算图像每个像素点x到聚类中心类，然后将第一次聚类中心组成一个集合再次聚类求得第二的隶属度函数：收稿日期：2014—04—14作者简介：李申燕(1982一)，女，吉林人，硕士研究生，研究方向：图像处理。